Upload
tati-ferreira
View
2
Download
0
Embed Size (px)
DESCRIPTION
capitulo 1
Citation preview
Captulo 1
Analise Exploratoria de Dados
1.1 Introducao
A Estatstica lida com situacoes nas quais a ocorrencia de algum evento nao
pode ser prevista com exatidao. Essas situacoes envolvem fenomenos ou expe-
rimentos que, quando repetidos sob as mesmas condicoes, apresentam variacoes
em seus resultados. No mundo real, a maioria dos problemas a serem estudados
sao desse tipo e, ainda assim, temos interesse em compreender os fatores que os
governam e, a`s vezes, criar modelos capazes de descrever seus desenvolvimentos
e fazer previsoes para resultados futuros. Uma das maneiras de abordar essas
questoes e coletar dados sobre caractersticas relevantes ao problema em estudo,
dados esses que precisam ser analisados de forma adequada, para que possamos
extrair as informacoes que levem a um conhecimento, pelo menos parcial, de tal
problema.
No passado, tratar um grande numero de dados era uma tarefa custosa
e cansativa, que exigia horas de trabalho. Hoje, uma grande quantidade de in-
formacoes pode ser analisada rapidamente com o uso de um computador pessoal
e programas adequados. Dessa forma, o computador contribui, positivamente,
na difusao e uso de metodos estatsticos. Por outro lado, o computador possibi-
lita uma automacao que pode levar um indivduo sem preparo especfico a utilizar
tecnicas inadequadas para resolver um dado problema. Assim e necessario a com-
preensao dos conceitos basicos da Estatstica, bem como as suposicoes necessarias
1
para o seu uso de forma criteriosa.
A Estatstica e muito mais do que a simples construcao de graficos e o
calculo de medias. As informacoes numericas sao obtidas com a finalidade de acu-
mular informacao para a tomada de decisao. Entao, a estatstica pode ser vista
como um conjunto de tecnicas que permite, de forma sistematica, organizar, resu-
mir, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
e deles extrair conclusoes.
De modo geral podemos dividir a Estatstica em tres areas Estatstica Descri-
tiva, Probabilidade e Inferencia Estatstica.
Estatstica Descritiva: e o estudo dos procedimentos que, em geral, cons-tituem a etapa inicial da analise e tem por finalidade resumir a informacao
embutida nos dados, empregando para isso a elaboracao de graficos e ta-
belas, a determinacao de medidas estatsticas, entre outros. Em outras
palavras, a estatstica descritiva pode ser definida como um conjunto de
tecnicas destinadas a descrever e resumir os dados a fim de que possamos
tirar conclusoes a respeito de caractersticas de interesse, isto e, obter in-
formacoes que indiquem possveis modelos a serem utilizados numa fase
final que seria a chamada inferencia estatstica.
Probabilidade: compreende o estudo da teoria matematica utilizada paraabordar a incerteza oriunda de fenomenos de carater aleatorio.
Inferencia Estatstica: e o estudo de tecnicas que permitem a utilizacaode dados oriundos de uma amostra para generalizacoes sobre a populacao.
Tem como objetivo a coleta, reducao, analise e modelagem dos dados, a
partir do que, finalmente, faz-se a inferencia para uma populacao da qual
os dados (a amostra) foram obtidos. Um aspecto importante da modelagem
dos dados e fazer previsoes, a partir das quais se podem tomar decisoes.
Deve ser notado que, se tivessemos acesso a todos os elementos que desejamos
estudar, nao seria necessario uso das tecnicas de inferencia estatstica. Entre-
tanto, elas sao indispensaveis quando existe a impossibilidade de acesso a todo o
2
conjunto de dados, por razoes de natureza economica, etica ou fsica.
Na terminologia estatstica, o grande conjunto de dados que contem
caracterstica de interesse recebe o nome de POPULACAO
Definicao 1.1 (Populacao(N)), e o conjunto de todos os elementos relativos
a um determinado fenomeno que possuem pelo menos uma caracterstica em co-
mum. Por exemplo, a populacao pode estar associada a todos os habitantes da
cidade de Manaus, a todas as lampadas produzidas por uma fabrica em certo
perodo de tempo, ou todo o sangue no corpo de uma pessoa, etc...
Algumas vezes podemos ter acesso a toda a populacao para estudarmos
caractersticas de interesse, mas em muitas situacoes tal procedimento nao pode
ser realizado, por razoes economicas, sociais ou fsicas, como por exemplo, na
analise do sangue de uma pessoa ou em um experimento para determinar o tempo
de vida (funcionamento) das lampadas produzidas por uma industria, nao pode-
mos observar toda a populacao de interesse. Tendo em vista as dificuldades de
varias naturezas para se observar todos os elementos da populacao, tomamos al-
guns deles para formar um grupo a ser estudado. Este subconjunto da populacao
e denominado AMOSTRA.
Definicao 1.2 (Amostra(n)), pode ser definida como um subconjunto da
populacao e devera ser considerada finita. Deve ser representativa, de modo que
represente todas as caractersticas da populacao.
Algumas definicoes:
Parametro: e uma medida numerica que descreve uma caracterstica deuma populacao. Sao valores fixos, geralmente desconhecidos e usualmente
representados por caracteres gregos. Por exemplo, (media populacional),
p (proporcao populacional), (desvio-padrao populacional), 2 (variancia
populacional).
3
Estatstica: E uma caracterstica numerica determinada na amostra.Representada por . Exemplos de estimadores: x (media amostral), p (pro-
porcao amostral), S2 (variancia amostral).
A selecao da amostra pode ser feita de varias maneiras, dependendo, entre ou-
tros fatores, do grau de conhecimento que temos da populacao, da quantidade de
recursos disponveis e assim por diante. Em princpio, a selecao da amostra tenta
fornecer um subconjunto de valores o mais parecido possvel com a populacao
que lhe da origem. A amostragem mais usada e a Amostragem Aleatoria Simples,
em que selecionamos ao acaso, com ou sem reposicao, os itens da populacao que
farao parte da amostra. Na Amostragem Estratificada, classifica-se a populacao
em, ao menos dois estratos e extrai-se uma amostra de cada um, no caso de exis-
tir uma relacao numerada dos itens da populacao podemos fazer a Amostragem
Sistematica, em que selecionamos os indivduos de forma pre-determinada, por
exemplo de 3 em 3, ou de 10 em 10, entre outros metodos, quanto mais complexa
for a amostragem, maiores cuidados deverao ser tomados nas analises estatsticas
utilizadas.
Toda analise estatstica e antecedida pela necessidade de conhecimento, como
por exemplo, conhecer se o consumo de cigarro pode causar cancer, e o obje-
tivo final de uma analise estatstica e colocar uma hipotese a prova, levantando
evidencias para aceita-la ou rejeita-la.
Definicao 1.3 Hipoteses sao afirmacoes que necessitam de comprovacao para
serem consideradas verdadeiras.
Exemplo 1.1 (Fumo e Cancer) Hoje em dia e natural associar o habito de
fumar a` cancer de pulmao (e muitos outros males). Mas isso nem sempre foi ver-
dade. De fato, foram necessarios muitos estudos para chegar a aceitar a hipotese
(o habito de fumar aumenta o risco de cancer).
Para testar hipoteses, coletamos dados de um experimento. Por exemplo,
para conhecer o perfil socioeconomico dos empregados de uma empresa, podemos
4
perguntar seu sexo, salario, idade, se sao casados, se tem filhos, etc. Todas estas
informacoes obtidas sao dados, que podem levantar evidencias sobre diferentes
hipoteses.
Antes de serem observadas, cada uma das informacoes e denominada variavel.
Voltando ao nosso exemplo acima, as variaveis seriam sexo, salario, idade, estado
civil, numero de filhos, etc. E convencao utilizar letras maiusculas para represen-
tar uma variavel. Podemos entao dizer que X e a variavel sexo, Y a variavel idade
e assim por diante. O dado (ou seja, o valor observado da variavel) e expresso
pela mesma letra da variavel correspondente, so que minuscula.
Exemplo 1.2 Suponha que estamos interessados em fazer um levantamento so-
bre alguns aspectos socioeconomicos dos empregados da secao de orcamentos da
Companhia MB. Com essa finalidade, usando informacoes obtidas do departa-
mento pessoal, para cada empregado, foram coletadas as seguintes variaveis: sexo;
estado civil; grau de instrucao; numero de filhos; salario (em SM); idade; regiao
de procedencia. Com essas informacoes a Tabela 1.1 foi elaborada
O conjunto de informacoes disponveis, apos a tabulacao do questionario e
denominado tabela de dados brutos e contem os dados da maneira que foram
coletados inicialmente. Cada uma das caractersticas observadas e denominada
VARIAVEL.
Definicao 1.4 Se o valor de uma variavel nao pode ser predito com absoluta
certeza, esta variavel e denominada aleatoria.
As variaveis tem naturezas diferentes e sao classificadas de acordo com os
valores que podem assumir. Podem ser consideradoas em dois grandes grupos:
numericas e nao numericas. As variaveis que assumem valores numericos sao
denominadas de quantitativas e as nao numericas de qualitativas.
As variaveis quantitativas podem ser subdivididas em discretas e contnuas.
As quantitativas discretas sao aquelas cujos valores possveis formam um con-
junto finito ou enumeravel, em geral, sao oriundas de contagens. Exemplos de
5
Tabela 1.1: Informacoes sobre estado civil, grau de instrucao, numero de filhos, salario, idade
e procedencia de 36 empregados da secao de orcamentos da Companhia MB.
N. Estado Grau de N. de Salario Idade Regiao de
Civil Instrucao filhos Mnimo (Anos) (Meses) Procedencia
1 Solteiro Ensino fundamental - 4,00 26 03 Interior
2 Casado Ensino fundamental 1 4,56 32 10 Capital
3 Casado Ensino fundamental 2 5,25 36 05 Capital
4 Solteiro Ensino medio - 5,73 20 10 Outra
5 Solteiro Ensino fundamental - 6,26 40 07 Outra
6 Casado Ensino fundamental 0 6,66 28 00 Interior
7 Solteiro Ensino fundamental - 6,86 41 00 Interior
8 Solteiro Ensino fundamental - 7,39 43 04 Capital
9 Casado Ensino medio 1 7,59 34 10 Capital
10 Solteiro Ensino medio - 7,44 23 06 Outra
11 Casado Ensino medio 2 8,12 33 06 Interior
12 Solteiro Ensino fundamental - 8,46 27 11 Capital
13 Solteiro Ensino medio - 8,74 37 05 Outra
14 Casado Ensino fundamental 3 8,95 44 02 Outra
15 Casado Ensino medio 0 9,13 30 05 Interior
16 Solteiro Ensino medio - 9,35 38 08 Outra
17 Casado Ensino medio 1 9,77 31 07 Capital
18 Casado Ensino fundamental 2 9,80 39 07 Outra
19 Solteiro Ensino superior - 10,53 25 08 Interior
20 Solteiro Ensino medio - 10,76 37 04 Interior
21 Casado Ensino medio 1 11,06 30 09 Outra
22 Solteiro Ensino medio - 11,59 34 02 Capital
23 Solteiro Ensino fundamental - 12,00 41 00 Outra
24 Casado Ensino superior 0 12,79 26 01 Outra
25 Casado Ensino medio 2 13,23 32 05 Interior
26 Casado Ensino medio 2 13,60 35 00 Outra
27 Solteiro Ensino fundamental - 13,85 46 07 Outra
28 Casado Ensino medio 0 14,69 29 08 Interior
29 Casado Ensino medio 5 14,71 40 06 Interior
30 Casado Ensino medio 2 15,99 35 10 Capital
31 Solteiro Ensino superior - 16,22 31 05 Outra
32 Casado Ensino medio 1 16,61 36 04 Interior
33 Casado Ensino superior 3 17,26 43 07 Capital
34 Solteiro Ensino superior - 18,75 33 07 Capital
35 Casado Ensino medio 2 19,40 48 11 Capital
36 Casado Ensino superior 3 23,30 42 02 Interior
6
tais variaveis sao: numero de filhos em uma famlia; numero de pecas defeituosas
em uma linha de producao. A variavel e dita quantitativa contnua se assume va-
lores em um intervalo de numeros reais, em geral, sao resultantes de mensuracoes.
Como exemplos desse tipo de variavel temos peso de pessoas, alturas de arvores,
tempo de realizacao de operacoes industriais, diametro de pecas que saem de uma
linha de producao.
Para as variaveis qualitativas, que sao de natureza nao numerica, as respos-
tas sao qualidades (atributos) ou categorias. Essas variaveis sao ditas qualita-
tivas ordinais se suas possveis respostas apresentam uma ordenacao natural.
Como exemplos temos: nvel de instrucao (fundamental, medio, superior); grau
de satisfacao com um dado servico (insatisfeito, pouco satisfeito, muito satis-
feito); complexidade de um projeto industrial (baixa, media, alta). Quando nao
e possvel estabelecer uma ordenacao natural das respostas da variavel qualitativa,
essas sao denominadas qualitativas nominais. Exemplos: sexo do indivduo (fe-
minino, masculino); estado civil (solteiro, casado, desquitado/divorciado, viuvo);
situacao trabalhista (registrado, nao registrado).
O tipo da variavel define quais os procedimentos adequados a serem emprega-
dos na analise estatstica dos dados obtidos para a mesma.
Definicao 1.5 Considere uma variavel X que pode assumir qualquer valor no
conjunto A. Uma colecao X1, . . . , Xn de elementos A e denominada amostra de
X.
Definicao 1.6 O numero de elementos de uma amostra e denominado tamanho
da amostra.
A tabela de dados brutos pode nao ser adequada para obtermos as informacoes
de interesse. Devem ser construdas outras tabelas e graficos que apresentem, de
forma resumida, as informacoes contidas nos dados.
7
1.2 Distribuicao de Frequencias
Quando se estuda uma variavel, o maior interesse do pesquisador e conhe-
cer o comportamento dessa variavel, analisando a ocorrencia de suas possveis
realizacoes. Uma maneira de dispor um conjunto de realizacoes para se tuma
ideia global, e atraves de uma tabela de distribuicao de frequencia. Sao
tabelas resumidas que apresentam os valores da variaveis com as suas respecti-
vas contagens de ocorrencias, sao ordenadas em grupos de classes ou categorias,
numericamente ordenadas e podem ser sem perda de informacoes (limita-se a
juntar valores repetidos e indicar quantas vezes eles ocorrem) a ou com perda de
informacoes (acumula dados em intervalos especficos).
Exemplo 1.3 A Tabela 1.2 apresenta a distribuicao de frequencias da variavel
grau de instrucao, usando os dados da Tabela 1.1
Tabela 1.2: Frequencias e porcentagens dos 36 empregados da secao de
orcamentos da Companhia MB segundo o grau de instrucao.
Grau de Instrucao Freq. absoluta Freq. relativa Porcetagem Freq. acumulada
(ni) (fi =nin ) 100fi (fac)
fundamental 12 0,333 33,33 12
medio 18 0,5 50,00 30
superior 6 0,166 16,50 3636 1 100,00
Usamos a notacao ni para indicar a frequencia absoluta de cada classe, ou
categoria, da variavel, a notacao fi = ni/n para indicar a proporcao (ou frequencia
relativa) de cada classe, sendo n o numero total de observacoes e a notacao fac
indicando a frequencia acumulada. As proporcoes sao muito uteis quando se
quer comparar resultados de duas pesquisas distintas. Suponha que se queira
comparar a variavel grau de instrucao para empregados da secao de orcamentos
com a mesma variavel para todos os empregados da companhia MB. Digamos
que a empresa tenha 2.000 empregados e que a distribuicao de frequencias seja a
da Tabela1.3.
8
Tabela 1.3: Frequencias e porcentagens dos 2.000 empregados da secao de
orcamentos da Companhia MB segundo o grau de instrucao.
Grau de Instrucao Freq. absoluta Porcetagem
(ni) (100fi)
fundamental 650 32,50
medio 1.020 51,00
superior 330 16,502.000 100,00
Nao podemos comparar diretamente as colunas das frequencias das Tabelas
1.2 e1.3, pois os totais de empregados sao diferentes nos dois casos. Mas as
colunas das porcetagens sao comparaveis, pois reduzimos as frequencias a um
mesmo total.
A construcao de tabelas de frequencias para variaveis contnuas necessita de
certo cuidado. Por exemplo, a construcao da tabela de frequencias para a variavel
salario, nao resumira as 36 observacoes num grupo menor, pois nao existem ob-
servacoes iguais. A solucao empregada e agrupar os dados por faixas de salario.
Tabela 1.4: Frequencias e porcentagens dos 36 empregados da secao de
orcamentos da Companhia MB por faixa de salario.
Classe de salarios Freq. absoluta Freq. relativa Freq. acumulada
(ni) (fi =nin ) (fac)
4, 00 ` 8, 00 10 0,277 108, 00 ` 12, 00 12 0,333 22
12, 00 ` 16, 00 8 0,222 3016, 00 ` 20, 00 5 0,1388 3520, 00 ` 24, 00 1 0,0277 36
36 1
Observe que desse modo, ao resumir os dados referentes a uma variavel contnua,
perde-se alguma informacao. Por exemplo, nao sabemos ao certo quais sao os 10
salarios da classe de 4 a 8, a nao ser que olhemos a tabela original. A notacao
a ` b indica o intervalo de numeros contendo o extremo a mas nao contendo o
9
extremo b, podemos tambem usar a notacao [a `, b) para designar o mesmo inter-valo a ` b. A escolha dos intervalos e arbitrario e a familiaridade do pesquisadorcom os dados e que lhe indicara quantas e quais classes (intervalos) devem ser
usadas. E importante observar que com um pequeno numero de classes, perde-se
informacao, e com um grande numero de classes, o objetivo de resumir os dados
fica prejudicado.
1.2.1 Procedimentos para a representacao das distribuicoes
de frequencias
1. Dados:
Sao as informacoes inerentes a`s variaveis que caracterizam os elementos que cons-
tituem a populacao ou a amostra em estudo. Os dados obtidos em pesquisas
devem ser analisados e interpretados com o auxlio de metodos estatsticos. Na
primeira etapa deve-se fazer uma analise descritiva que consiste na organizacao e
descricao dos dados, na identificacao de valores que representem o elemento tpico
e, na quantificacao da variabilidade presente nos dados.
2. DADOS BRUTOS
Qualquer pesquisa e baseada em levantamento ou coleta de dados. Os dados sao
obtidos diretamente da pesquisa, sem terem passados por nenhum processo de
sntese ou analise. Por exemplo, os 50 valores, em decibeis, de nvel de rudo de
trafego em certo cruzamento estao apresentados a seguir:
58, 0 62, 5 65, 0 67, 0 68, 3 65, 0 66, 4 58, 0 67, 0 67, 0
62, 5 62, 5 66, 4 66, 4 65, 0 65, 0 60, 2 60, 2 60, 2 60, 2
59, 5 59, 5 59, 5 65, 0 66, 4 66, 4 66, 4 60, 2 62, 5 67, 0
67, 0 67, 0 70, 1 70, 1 71, 9 70, 1 67, 0 66, 4 66, 4 68, 3
68, 3 68, 3 65, 0 65, 0 62, 5 62, 5 65, 0 65, 0 68, 3 71, 9
nota-se uma grande variacao nos resultados. Assim, os metodos estatsticos sao
fundamentais para o estudo de situacoes em que a variabilidade e inerente. A Es-
tatstica Descritiva ajuda na percepcao, avaliacao e quantificacao da variabilidade
10
em tabelas e graficos obtidos a partir de um conjunto de dados que sintetizem os
valores, com o objetivo de se ter uma visao global e clara da variacao existente
nas variaveis.
3. ROL
A mao, ou com auxlio de computador, pode-se classificar os dados x1, x2, ..., xn
em ordem crescente. Pode-se, pelo rol, verificar de maneira mais clara e rapida
a composicao do conjunto, identificando o maior e o menor valor alem de alguns
elementos que podem se repetir varias vezes, mostrando assim o comportamento
dos dados. Assim, o Rol dos 50 valores do nvel de rudo de trafego em certo
cruzamento, fica:
58, 0 58, 0 59, 5 59, 5 59, 5 60, 2 60, 2 60, 2 60, 2 60, 2
62, 5 62, 5 62, 5 62, 5 62, 5 62, 5 65, 0 65, 0 65, 0 65, 0
65, 0 65, 0 65, 0 65, 0 65, 0 66, 4 66, 4 66, 4 66, 4 66, 4
66, 4 66, 4 66, 4 67, 0 67, 0 67, 0 67, 0 67, 0 67, 0 67, 0
68, 3 68, 3 68, 3 68, 3 68, 3 70, 1 70, 1 70, 1 71, 9 71, 9
4. Amplitude ou Range (At):
E a diferenca entre o maior e o menor elemento do conjunto de dados.
At = xmax xmin
5. Frequencia absoluta (ni):
E o numero de vezes que o elemento aparece na amostra, ou numero de elementos
pertencentes a uma classe.
6.Frequencia relativa (fi):
Proporcao de cada classe.
fi =nin
7. Frequencia acumulada (fac):
11
E a soma das frequencias de uma classe e de todas as classes que a antecedem.
8. Numero de classes (K):
Nao ha uma formula exata para o numero de classes, podemos usar a Formula
de Sturges, k = 1 + 3, 3 log (n), mas deve-se saber que existem outros metodos de
determinacao do numero de classes em uma tabela de frequencia, ha quem prefira
k =n. O que se deseja fazer e apenas comprimir um conjunto de dados em uma
tabela, para facilitar a visualizacao e interpretacao dos mesmos. Entretanto, a
verdade e que essas formulas nao nos levam a uma decisao final; esta vai depender
na realidade de um julgamento pessoal, que devera estar ligado a natureza dos
dados, procurando, sempre que possvel, evitar classes com frequencias nulas ou
frequencias relativas exageradamente grandes.
9. Amplitude das classes (Ac):
Ac = At/k
10. Limite das classes Os extremos de uma classe sao denominados limite
inferior e limite superior. ex: a ` b
11. Ponto medio das classes
pm = (LI + LS)/2
A apresentacao dos dados pode ser de duas formas: Apresentacao Tabular e
apresentacao Grafica.
REPRESENTACAO TABULAR:
Apresentacao tabular numerica de dados e a representacao das informacoes por
intermedio de uma tabela. Uma tabela e uma maneira bastante eficiente de mos-
12
trar os dados levantados e que facilita a compreensao e interpretacao dos dados.
Para organizar uma serie estatstica ou uma distribuicao de frequencias, existem
algumas normas nacionais ditadas pela Associacao Brasileira de Normas Tecnicas
(ABNT) as quais devem ser respeitadas. Assim, toda tabela estatstica de conter:
Elementos essenciais
Ttulo: indica a natureza do fato estudado (o que?), as variaveis esco-
lhidas na analise do fato (como?), o local (onde?) e a epoca (quando?).
Corpo: e o conjunto de linhas e colunas que contem, respectivamente,
as series horizontais e verticais de informacoes.
Cabecalho: designa a natureza do conteudo de cada coluna.
Coluna indicadora: mostra a natureza do conteudo de cada linha.
Elementos complementares (se necessario)
Fonte: e o indicativo, no rodape da tabela, da entidade responsavel
pela sua organizacao ou fornecedora dos dados primarios.
Notas: sao colocadas no rodape da tabela para esclarecimentos de
ordem geral.
Sinais convencionais
(hfen), quando o valor numerico e nulo;
. . . (reticencia), quando nao se dispoe de dado;
? (ponto de interrogacao), quando ha duvidas quanto a` exatidao do
valor numerico;
0; 0, 0; 0, 00 (zero), quando o valor numerico e muito pequeno para
ser expresso pela unidade utilizada, respeitando o numero de casas
decimais adotado;
X (letra x), quando o dado for omitido.
Numerar as tabelas quando houver mais de uma.
13
As tabelas devem ser fechadas acima e abaixo por linha horizontal, naosendo fechadas a` direita e a` esquerda por linhas verticais. E facultativo o
emprego de tracos verticais para separacao de colunas no corpo da tabela.
Os totais e subtotais devem ser destacados.
Manter a uniformidade do numero de casas decimais.
REPRESENTACAO GRAFICA:
A representacao grafica da distribuicao de uma variavel tem a vantagem de,
rapida e concisamente, informar sobre sua variabilidade. Os graficos devem ser
auto-explicativos e de facil compreensao. Devem sempre ter um ttulo, onde se
destaca o fato, o local e o tempo. Vamos definir, inicialmente, tres tipos basicos
de graficos: graficos em barras, em setores e histograma. O grafico em barras
utiliza o plano cartesiano com os valores da variavel no eixo das abcissas e as
frequencias ou porcetagens no eixo das ordenadas. Note que para cada valor
da variavel desenha-se uma barra com altura correspondendo sua frequencia
ou porcetagem. Esse tipo de grafico se adapta melhor a`s variaveis discretas ou
quantitativas ordinais.
Fundamental Mdio Superior
Grau de Instruo dos funcionrios da Companhia MB
Grau de Instruo
Freq
unc
ia
05
1015
20
14
Ja o grafico de composicao em setores, sendo em forma de pizza o mais
conhecido, destina-se a representar a composicao, usualmente em porcetagem de
partes de um todo. Consiste num crculo de raio arbitrario, representando o todo,
dividido em setores, que correspondem a`s partes de maneira proporcional. O
33.3%
50%
16.7%
Grau de instruo dos funcionrios da companhia MB
FundamentalMdioSuperior
histograma consiste em retangulos contguos de base dada pelas faixas de valores
da variavel e area igual a` frequencia relativa da respectiva faixa. A altura de cada
retangulo e denominada densidade de frequencia ou simplesmente densidade e e
definida pelo quociente da area pela amplitude da faixa. Note que, pelo uso das
frequencias relativas, a soma das areas de todos os retangulos em um histograma
e igual a 1.
Tanto o histograma como os graficos em barras dao uma ideia da forma da
distribuicao da variavel sob consideracao. Por exemplo, saber que a renda per
capita de um pas e de tantos dolares pode ser um dado interessante, mas saber
como esta renda se distribui e mais importante. Um procedimento alternativo
para resumir um conjunto de valores, com o objetivo de se obter uma ideia da
forma de sua distribuicao, e o ramo-e-folhas. Uma vantagem deste diagrama
15
Histograma da varivel S: salrio
Salrio
Freq
unc
ia
0 5 10 15 20 25 30
02
46
8
sobre o histograma e que nao perdemos (ou perdemos pouca) informacao sobre
os dados em si. O diagrama ramo e folhas e uma tecnica flexvel e eficaz
para comecarmos a olhar um conjunto ou uma amostra de dados. Esta tecnica
basica, mas versatil, e intensamente usada, principalmente para comparar grupos
e examinar cada caracterstica, tais como:
quanto o grupo esta proxima da assimetria;
como estao distribudos os valores;
se alguns valores estao distanciados dos demais;
se existe concentracao de dados;
se existe lacunas nos dados.
Nao existe uma regra fixa para construir o ramo e folhas, mas a ideia basica e
dividir cada observacao em duas partes: a primeira (o ramo) e colocada a` esquerda
de uma linha vertical, a segunda(a folha) e colocada a` direita.
Algumas informacoes que se obtem do ramo-e-folhas apresentado na Tabela
1.2.1 sao:
Para os salarios 4, 00 e 4, 56 (o 4 e o ramo e 00 e 56 sao as folhas)
16
Ramo Folha Frequencia
58 0 0 2
59 5 5 5 3
60 2 2 2 2 2 5
62 5 5 5 5 5 5 6
65 0 0 0 0 0 0 0 0 0 9
66 4 4 4 4 4 4 4 4 8
67 0 0 0 0 0 0 0 7
68 3 3 3 3 3 5
70 1 1 1 3
71 9 9 2
Um ramo com muitas folhas significa maior incidencia daquele ramo (rea-lizacao)
Ha um destaque grande para o valor 23, 30
Os demais valores estao razoavelmente concentrados entre 4, 00 e 19, 40.
Ha uma leve assimetria em direcao aos valores grandes; a suposicao de queestes dados possam ser considerados como amostra de uma populacao com
distribuicao simetrica (a chamada distribuicao normal), pode ser questio-
nada.
17
Tabela 1.5: Ramo e folhas dos salarios de 36 empregados da secao de orcamentos
da Companhia MB.
4 00 56
5 25 73
6 26 66 86
7 39 44 59
8 12 46 74 95
9 13 35 77 80
10 53 76
11 06 59
12 00 79
13 23 60 85
14 69 71
15 99
16 22 61
17 26
18 75
19 40
20
21
22
23 30
1.3 Medidas Resumo
1.3.1 Medidas de Posicao
Vimos que o resumo de dados por meio de tabelas de frequencias fornece muito
mais informacoes sobre o comportamento de uma variavel do que a propria ta-
bela original dos dados. Podemos resumir ainda mais esses dados em valores que
sejam representativos da serie toda. Usualmente, emprega-se uma das seguintes
medidas de posicao (ou localizacao) central: media, mediana e moda.
A moda e definida como a realizacao mais frequente do conjunto de valores
observados. Por exemplo, considere a distribuicao da variavel Z, numero de filhos
18
dos empregados casados da secao de orcamentos da companhia MB (Tabela 1.1).
Na Tabela 1.6 temos as frequencias e porcentagens. A moda e 2, correspondente
a` realizacao com maior frequencia, 7. Em alguns casos, pode haver mais de uma
moda.
Tabela 1.6: Frequencias e porcentagens dos 36 empregados da secao de
orcamentos da Companhia MB segundo o numero de filhos.
N. filhos Freq. absoluta Freq. relativa Porcetagem
zi (ni) (fi =nin ) 100fi
0 4 0,2 20
1 5 0,25 25
2 7 0,35 35
3 3 0,15 15
5 1 0,05 520 1 100,00
A mediana e a realizacao que ocupa a posicao central da serie de observacoes,
quando estao ordenadas em ordem crescente. Assim, e as cinco observacoes de
uma variavel forem 3, 4, 7, 8, e 8, a mediana e o valor 7, correspondendo a` ter-
ceira observacao. Quando o numero de observacoes for par, usa-se como mediana
a media aritmetica das duas observacoes centrais. Acrescentando-se o valor 9 a`
serie acima, a mediana sera (7 + 8)/2 = 7, 5
A media aritmetica e a soma das observacoes dividida pelo numero delas.
Assim, a media das observacoes acima seria (3+4+7+8+8)/5=6.
Exemplo 1.4 Usando os dados da Tabela 1.6, ja encontramos que a moda da
variavel Z e 2. Para a mediana, constatamos que esta tambem e 2, a media
aritmetica entre a decima e a decima primeira observacoes. A media aritmetica
sera4 0 + 5 1 + 7 2 + 3 3 + 5 1
20=
33
20= 1, 65
19
As tres medidas no exemplo acima tem valores proximos e qualquer uma delas
pode ser usada como representantiva da serie toda.
Formalizando os conceitos temos, se x1, . . . , xn sao os n valores da variavel X,
a media aritmetica, ou simplesmente media, de X pode ser escrita como
x =x1 + . . .+ xn
n=
1
n
ni=1
xi (1.1)
Se tivermos n observacoes da variavel X, das quais n1 sao iguais a x1, n2 sao
iguais a x2 etc., nk iguais a xk, entao a media de X pode ser escrita como
x =n1x1 + n2x2 + . . .+ nkxk
n=
1
n
ki=1
nixi (1.2)
Se fi = ni/n representar a frequencia relativa da observacao xi, entao (1.2)
pode ser escrita como x =k
i=1 fixi.
Consideremos as observacoes ordenadas em ordem crescente, e denotamos a
menor observacao por x(1), a segunda por x(2), e assim por diante, obtemos as
chamadas estatsticas de ordem
x(1) x(2) . . . x(n1) x(n) (1.3)
Por exemplo, se x1 = 3, x2 = 2, x3 = 6, x4 = 1, x5 = 3, entao 2 1 3 3 6, de modo que x(1) = 2, x(2) = 1, x(3) = 3, x(4) = 3, x(5) = 6.
Com esta notacao, a mediana da variavel X pode ser definida como
md(X) =
x(n+12 ) , se n mparx(n2 )+x(n2 +1)2
, se n par(1.4)
1.3.2 Medidas de Dispersao
O resumo de um conjunto de dados por uma unica medida representativa de
posicao central esconde toda a informacao sobre a variabilidade do conjunto de
observacoes. Por exemplo, suponhamos que cinco grupos de alunos submeteram-
se a um teste, obtendo-se as seguintes notas:
Grupo A (Variavel X): 3,4,5,6,7
20
Grupo B (Variavel Y): 1,3,5,7,9
Grupo C (Variavel Z): 5,5,5,5,5
Grupo D (Variavel W): 3,5,5,7
Grupo E (Variavel V): 3,5,5,6,7
Podemos ver que x = y = z = w = v = 5, 0. A identificacao de cada uma
destas series por sua media nada informa sobre suas diferentes variabilidades. Da
a conveniencia de serem usadas medidas que sumarizem a variabilidade de um
conjunto de observacoes e que permita comparar conjuntos diferentes de valores.
Um criterio frequentemente usado para tal fim e aquele que mede a dispersao dos
dados em torno da media, e duas medidas sao as mais usadas: desvio padrao e
variancia. O princpio basico e analisar os desvios das observacoes em relacao a`
media dessas observacoes.
Para o grupo A acima os desvios xi x sao: -2,-1,0,1,2. Podemos observarque para qualquer conjunto de dados, a soma dos desvios e igual a zero. Nestas
condicoes a soma dos desvios5
i=1(xi x) nao e uma boa medida de dispersaopara o conjunto A. Duas opcoes sao: (a) considerar o total dos desvios em valor
absoluto; (b) considerar o total dos quadrados dos desvios. Para o grupo A
teramos, respectivamente
5i=1
|xi x| = 2 + 1 + 0 + 1 + 2 = 6
5i=1
(xi x)2 = 4 + 1 + 0 + 1 + 4 = 10
O uso desses totais pode causar dificuldades quando comparamos conjuntos de
dados com numeros diferentes de observacoes, como os conjuntos A e D acima.
Desse modo, e mais conveniente exprimir as medidas como media, isto e, o desvio
medio e a variancia
dm(X) =
ni=1 |xi x|
n(1.5)
V ar(X) =
ni=1(xi x)2
n(1.6)
21
Respectivamente para o grupo A temos dm(X) = 1, 2; var(X) = 2, 0 en-
quanto para o grupo D temos dm(W ) = 1, 0; var(W ) = 2, 0
Podemos dizer, entao, que segundo o desvio medio, o grupo D e mais ho-
mogeneo que A, enquanto ambos sao igualmente homogeneos, segundo a variancia.
Sendo a variancia uma medida de dimensao igual ao quadrado da dimensao dos
dados, pode causar problemas de interpretacao. Costumamos usar entao o desvio
padrao que e definido como a raiz quadrada positiva da variancia. Para o grupo
A o desvio padrao e
dp(X) =V ar(X) =
2 = 1, 41
Ambas as medidas de dispersao (dm e dp) indicam em media qual sera o
erro(desvio) cometido ao tentar substituir cada observacao pela media do con-
junto de dados.
Exemplo 1.5 Vamos calcular as medidas de dispersao acima para a variavel
Z=numero de filhos, resumida na Tabela 1.6. Temos z = 1, 65, os desvio sao
zi z : 1, 65;0, 65; 0, 35; 1, 35; 3, 35. Segue-se que
dm(Z) =4 (1, 65) + 5 (0, 65) + 7 (0, 35) + 3 (1, 35) + 1 (3, 35)
20= 0, 98
var(z) =4(1, 65)2 + 5(0, 65)2 + 7(0, 35)2 + 3(1, 35)2 + 1(3, 35)2
20= 1, 528
O desvio padrao de Z e dp(Z) =
1, 528 = 1, 24
Suponha que observemos n1 vezes os valores x1 etc., nk vezes o valor xk da
variavel X. Entao
dm(X) =
ki=1 ni|xi x|
n=
ki=1
fi|xi x| (1.7)
var(X) =
ki=1 ni(xi x)2
n=
ki=1
fi(xi x)2 (1.8)
dp(X) =V ar(X) (1.9)
A variancia da amostra sera calculada usando-se o denominador n1, em vezde n, a justificativa sera dada mais adiante. Assim como a media, a variancia (ou
22
o desvio padrao) e uma boa medida se a distribuicao dos dados for aproximada-
mente normal.
1.3.3 Quantis
Tanto a media como o desvio padrao podem nao ser medidas adequadas para
representar um conjunto de dados, pois: (a) sao afetados por valores extremos, (b)
apenas com estes valores nao temos ideia da simetria ou assimetria da distribuicao
dos dados. Para contornar esses fatos podemos definir uma medida chamada
quantil.
Se um conjunto de dados e organizado em ordem de grandeza, o valor central
(ou media aritmetica dos dois valores centrais) que divide o conjunto em duas
partes iguais e a mediana. Por extensao desse conceito, pode-se pensar nos valores
que dividem o conjunto em quatro partes iguais. Esses valores, representados por
Q1, Q2 e Q3 denominam-se primeiro, segundo e terceiro quartis, respectivamente,
sendo o valor Q2 e igual a` mediana.
Os valores que dividem os dados em dez partes iguais denominam-se decis e
sao representados por D1, D2, . . . , D9 enquanto os valores que dividem os dados
em 100 partes iguais chamam-se percentis e sao representados por P1, P2, . . . , P99.
O quinto decil e o quinquagesimo percentil correspondem a` mediana. O 25o e o
75o percentis correspondem ao 1o e 3o quartis, respectivamente.
De maneira geral, os quartis, decis e percentis sao denominados quantis de
ordem p ou p-quantil, indicada por q(p), onde p e uma proporcao qualquer, O